刘天亮，王金凯 （南京邮电大学 通信与信息工程学院，江苏 南京 210003）

0 绪 论

火灾是众多灾难中最常见、最普遍的一种，对人类的生存与发展构成了严重威胁。我国经济建设快速发展，物流服务以货主为服务对象，以材料和产品为中心开展采购、加工、包装、储存、运输、配送等物流活动，服务过程环节众多，不可预测因素也较多，这就对物流安全的火灾灾情研判提出了更高的要求。当前常用烟感探头受距离等因素的限制，难以实现对烟感的实时监测[1-2]。本文运用深度学习结合图像处理算法，便捷有效地改进了受距离限制的火灾检测，有利于学生了解火灾检测的相关关键算法，能够提高学生的动手创新能力。鉴于火灾具有毁灭性、迅速性等传播特性，必须在火灾发生初期就对其进行快速的识别，才能最大限度地降低其造成的损失。然而，目前常用的火灾检测手段包括传统感烟、感温、感光等，只有在靠近火源的情况下，才能利用其电离生成的微粒进行检测，进而触发火灾报警和灭火系统；这些手段具有一定可靠性，但也存在延迟性，可能出现警示时火灾已经不受控制[3-4]。近几年快速发展并应用于机器视觉领域的深度学习算法，监督学习选取的部分数据集，充分利用图像处理方法使火灾检测取得新进展[5-6]，虽然通过深度学习可以更好地提取到火焰特征，但单一卷积神经网络很难捕捉到早期火灾发生时的细小火焰，且其所需资源巨大，难以应用于实际生产和生活中。

针对上述火灾检测中存在的部分问题，本文提出基于Python结合深度学习与火焰烟雾自相关性的想法。通过深度学习算法与传统图像处理算法相结合开发的物流安全领域早期火灾检测教学演示平台，便于识别早期火灾并有效检测与演示教学。用户只需登录平台连接物流安全场景对应的摄像头IP便可进行实时火灾检测或导入本地视频文件模拟检测。演示平台自动保存火灾检测记录，用户经过简单验证即可导出查看检测日志，便于学生记录实验数据。平台专门设计针对早期火焰的检测算法以确保面对复杂场景时勘测火灾的准确性和实时性。

1 早期火灾检测教学演示平台结构

1.1 总体概述

基于Python结合深度学习与火焰自相关性的早期火灾检测平台利用Python和PyQt5参数交互。利用PyQt5图形用户接口设计了一个交互式火灾检测教学演示平台。其中PyQt5是基于Qt5的Python GUI库，其控件丰富，开发高效，支持可视化界面设计[7]。图1中的图a、图b分别为早期火灾检测教学演示平台的主界面和结构框架图，其中平台界面主要包括摄像头管理、检测日志管理、监控页面管理和用户管理。

图1 物流安全领域早期火焰检测教学演示平台

用户登录成功后，在摄像头管理功能下可选择对摄像头IP进行添加和删除或者将本地视频导入平台，达到实时检测火灾的目的；在检测日志管理功能中，用户进行简单的身份验证即可删除或导出查看火灾检测记录，便于对实验数据进行整理记录；监控页面管理功能中，用户可以通过可视化监控浏览早期火焰火灾险情发生情况检测结果；教师可通过用户管理功能利用主用户账号对各学生用户账号权限进行管理。

1.2 编程语言选择

本火灾检测平台试图将深度学习算法的有效性与传统检测算法的实时性相结合，有效监控早期火灾险情，通过改进型轻量化YOLOv5网络进行初步检测，对可疑区域输入传统检测算法进行二次判断，如图2所示，以提高早期火灾险情检测准确率。本平台选择改进型YOLOv5网络，考虑到Python语言在深度学习方面的简便性以及与QT图像界面的相容性[8]，故而选择使用Python语言结合PyQt5图形用户接口制作教学演示平台的人机交互界面。

图2 平台检测步骤示意图

2 早期火灾检测关键技术

为提高检测的精准度和在教学实验中的应用性，本平台的检测算法主要对原有YOLOv5网络进行轻量化处理并改进骨干网络部分[9]，在后续的传统目标检测算法上选择采用动态捕捉方法结合自相似性算法，提升检测性能的同时增强教师与学生之间教学的操作性。

2.1 轻量化YOLOv5 网络

2.1.1 深对空卷积（Space-to-depth）

为解决早期火灾检测中常规算法难以捕捉到细小火焰的特征，本平台算法在YOLOv5网络中采用深对空卷积模块。该模块将特征图进行等间隔下采样，有效保留了细小目标特征。图3（a）表示将SPD（Space-to-depth）网络块设为任意大小（S×S×C）（这里以单通道C=1为例，在实际中可以选择任意通道）的中间特征映射X，对其划分子特征映序列为如下。

如图3（b）所示（这里取scale=2）将中间特征映射X划分后得到图3（c）中四个子特征映射，此处每个子特征映射形状均为（，，1），若对scale取任意值，所得到的子特征映射形状为。将得到的四个子特征映射按照通道维度合并如图3（d），此时得到的特征映射形状为（，，4×1），若对scale取任意值，则所得到的子特征映射形状为对合并后得到的特征子映射做的非跨步卷积，得到输出特征映射如图3（e），特征映射形状为，其中C1为非跨步卷积中的卷积核个数，取C1＜scale2×C。

2.1.2 网络轻量化

改进YOLOv5中骨干网络中的卷积采用深度可分离卷积方式，并将原有C3模块替换改进为MobileNetv3模块。在保证提取的特征量不变的前提下减少参数量，并将上述深对空卷积（Space-to-depth）添加到骨干网络的MobileNetv3模块后面[10]。以达到轻量化的效果，减少参数量，提高实时性与教学实验部署实施性。

2.2 自相似改进目标重检测

在二次判断的传统目标检测算法上本平台没有选择常用的颜色特征或纹理特征提取。因为视频捕获端火焰是动态的，本身一直处于闪烁扩张状态，所以本平台选用混合高斯背景建模的方法对早期火焰进行动态捕捉[11-12]。该方法的优势在于对火焰的判断不再局限于火焰的颜色与纹理特征，在一定范围内可以减少目标误判，以提高火灾目标检测准确率。然而基于高斯背景建模对火焰烟雾进行动态捕获，易出现如图4所示的重检测现象。

图4 同一目标多次检测的示意图

自相似现象普遍存在于自然界，如雪花、树枝、海岸线等，且火焰和烟雾本身就属于自相似体；在数学中也很常见，如谢尔宾斯基三角形、科赫曲线等。自相似性可简单描述为局部与整体存在相似特性，或理解为自相似体的某些部分在许多不同尺度上表现出相同的统计特性。图5是科赫雪花图，其中a框选部分与b框选部分相似，而b框选部分与c框选部分相似，所以无限放大后，每一框选部分均与上一级框选部分相似。

图5 科赫雪花图

为了解决早期火灾检测过程中可能存在的对单目标重复检测的问题，本平台采用豪斯多夫距离计算预测目标框之间目标物的相似度[7，13]，并设置阈值作为判断筛选条件。豪斯多夫距离本质上描述的是特征空间内两个闭集的相似度的度量值。利用图像处理方法检测早期火灾现象时，会将图片或视频帧转换为张量进行计算判断操作。豪斯多夫距离计算公式如下所示。

其中H（A，B）表示集合A与集合B之间的豪斯多夫距离，h（A，B）表示集合A到集合B的豪斯多夫距离，||a-b||表示集合A中的点a到集合B中点b的任意距离度量值。集合A到集合B的豪斯多夫距离刻画着集合A内所有点到集合B中点的最短距离中的最大距离，而集合A和集合B之间的豪斯多夫距离刻画的是集合A到集合B的豪斯多夫距离和集合B到集合A的豪斯多夫距离中的最大值[14]。二次判断后设置阈值判断为目标物之间的豪斯多夫距离可消除火焰和烟雾由于自相关性而产生的对同一目标重复辨识的现象，改进效果如图6所示。

图6 自相似改进目标重检测效果图

3 检测平台实例

本平台通过PyQt5用户图形界面开发出一个交互性强且操作简单的物流安全领域早期火灾检测教学平台，在保证准确率的前提下尽可能地提升平台运行实时性。在摄像头管理功能下，用户根据需要连接断开的摄像头IP对摄像头连接及本地导入视频进行管理；在日志管理功能下，用户进行简单的身份验证之后即可对检测记录进行清空或者导出查看；在用户管理功能下，用户可以根据主账号对其他用户账号进行权限管理，限制其他用户查看日志记录和修改密码等权限，反之可以赋予其权限。

3.1 早期火灾检测平台基本操作步骤

第一步，使用者打开PyCharm软件，选择教学演示平台对应的python程序，按下[RUN]按钮启动程序，进入检测平台登录界面，如图7。

图7 早期火焰检测教学平台登录界面

第二步，用户登录成功后弹出早期火灾检测平台主界面，如图8。第三步，点击选择[摄像头管理]功能连接物流安全场景对应的摄像头IP，如图9所示。

图8 早期火焰检测教学平台主界面

图9 摄像头管理界面

第四步，选择[IP连接]即可输入摄像头IP地址进行连接，连接成功则在主界面上显示该摄像头结合平台算法检测过程，或者选择本地视频文件导入平台进行检测。如图10所示。

图10 早期火焰检测教学平台运行界面（以物流仓储安全场景为例）

第五步，点击选择[检测日志管理]输入用户名进行身份权限验证，验证成功即可查看或者清空检测日志。

第六步，点击[用户管理]选择进行权限管理、用户申请或密码修改，教师通过主账号验证成功后即可进行相应操作，如图11所示。

图11 用户管理功能选择界面

3.2 早期火灾检测平台使用效果

检测过程中，本平台检测算法使用两阶段的深度学习结合传统目标检测算法进行检测，通过轻量化Yolov5网络并应用深度可分离空卷积方式，在保证实时性的同时提高了对早期火灾的检测准确率。通过深度学习初步检测后，再运用混合高斯滤波的动态捕捉结合火焰与烟雾自相似性的传统目标检测算法进行二次判断，能够有效改善多次检测识别同一目标的问题。

由于本平台具有操作简易、交互性强且不占用人力物力等特点，用户经过简单操作练习即可流畅地使用本教学演示平台。教师通过主账号可有效便捷地管理学生账号，对其账号进行权限等管理；学生通过简单学习即可运用本实验平台。该平台通过自动保存检测记录可以帮助学生理解早期火灾发生的机理和检测算法改进，有助于提升学生的创造力。

4 结 语

本文介绍了一套面向物流安全领域早期火焰检测教学平台的设计和实现方法，其可作为火灾灾情研判教学演示平台。利用深度学习结合传统视频目标检测的方法检测早期火灾隐患，以大幅提高早期火灾检测的准确性和实时性；该平台具有简易操作性，易于安装部署，能有效提高教师教学效率，故可作为实验教学平台；提高学生对物流安全中图像处理的理解与应用，激发学生学习兴趣，使学生将理论知识与实际动手操作结合起来，进一步增强学生的实际动手能力。